Actual Problems in Machine Building 2021 Vol.8 N1-2

Actual Problems in Machine Building. Vol. 8. N 1-2. 2021 Innovative Technologies in Mechanical Engineering ____________________________________________________________________ 10 На входной слой подаются данные об отверстии U 1, U 2, в нейронах скрытого слоя U 3, U 4 происходят некоторые расчеты и в выходном слое выводится результат, что необходимо сделать с отверстием. Нейроны обозначены буквами U , связи нейронов обладают некоторым параметром, обозначенным буквой W с цифровыми значениями связанных нейронов, его называют вес. Значение каждого нейрона рассчитывается по формуле 1. U j =E+∑U i ∙W ij (1) Из формулы видно, что с помощью веса каждой связи мы можем регулировать некоторый порог, который может ослабить сигнал или наоборот усилить его, как и в модели человеческого мозга. Дополнительно в формуле присутствует еще некоторое смещение E, которое также влияет на показания нейрона. Чтобы рассчитать значение нейронов, нужно знать значение веса каждой связи, а также значение смещения E. Вначале НС не может самостоятельно принимать решения, т.к. не известны значения веса каждой связи, поэтому ее необходимо обучить принимать правильные решения. Существуют разные методики обучения, и это представляет наибольший интерес [7]. Одним из методов реализации обучения является алгоритм обратного распределения. На начальном этапе обучения весам можно присвоить произвольные значения, например, от -0,5 до 0,5. Также у нас есть некоторый опыт, а именно мы знаем желаемый результат для некоторых отверстий, на основе этого опыта и происходит обучение. После расчета значений всех нейронов ошибка принятия правильных решений будет очень большой, ее расчет представляет собой разница между выходным значением НС и желаемым, соответствующий нашему опыту. На первом этапе ошибка большая, так как значения весов были приняты произвольно. Алгоритм обратного распределения позволяет рассчитать ошибку значений каждого нейрона, далее с учетом ошибок пересчитать веса всех связей в обратном направлении НС. А с новыми значениями весов ошибка будет уже меньше, а результат принятия решений ближе к желаемому, так НС обучается. Таким образом, нужно повторить расчет ошибок и корректировки весов столько раз, пока ошибка не станет минимальной для решения нашей задачи, и НС будет выдавать желаемый результат. Посредством изменения веса каждой связи и происходит обучение. Для более сложных задач нейронная сеть будет иметь больше нейронов в скрытом слое, а также может иметь и больше самих скрытых слоев. Понимание процесса обучения дает возможность построения более развернутого графа и решение более творческой задачи автоматизации на более высоком уровне. Когда НС встраивается в программное обеспечение, она уже обучена, и дальнейшее обучение возможно только по неправильным результатам в ситуациях, на которых не было проведено обучение. Выше представленная задача определения необходимости растачивания отверстия имеет линейный характер, соответственно может быть решена путем классификации, то есть разделения всех отверстий на два типа с помощью двух прямых, горизонтальной и вертикальной, в декартовой системе координат с двумя осями D – диаметр отверстия и T – квалитета точности. Закрашенная область содержит отверстия, которые достаточно просверлить, все отверстия слева или выше двух прямых необходимо растачивать (рис. 3). Стрелками показано как по мере обучения они смещались, и закрашенная область расширялась, таким образом, система обучилась и теперь при появлении нового отверстия система быстро определит, что с ним делать. Никаких жестких алгоритмов не потребовалось, система на основе опыта обучилась сама. Задача довольно простая, однако дает наглядное представление прохождения обучения НС.